深度学习基础理论与算法——感知机与神经网络

一、人工智能的崛起

2016年3月，Google公司研发的AlphaGo以 4:1击败世界围棋顶级选手李世石。次年， AlphaGo2.0对战世界最年轻的围棋四冠王柯洁， 以3:0击败对方。背后支撑AlphaGo具备如此强 大能力的，就是“深度学习”（Deep Learning）。
一时间，“深度学习”这个本专属于计算机学 科的术语，成为包括学术界、工业界、风险投 资界等众多领域的热词。
除了博弈，深度学习在计算机视觉（computer vision）、语音识别、自 动驾驶等领域，表现与人类一样好，甚至有些地方超过了人类。2013年， 深度学习就被麻省理工学院的《MIT科技评论》评为世界10大突破性技术 之一。
深度学习不仅是一种算法升级，还是一种全新的思维方式，它的颠覆性在 于，将人类过去痴迷的算法问题，演变成数据和计算问题，以前“算法为 核心竞争力”正在转换为“数据为核心竞争力”。

二、 深度学习的定义

1 深度学习的概念

深度学习就是包含多个隐藏层（越多即越深）的多层感知机。它通过组合低层特征，形成更为抽象的高层表示，用于描述被识别对象的高级属性类别或特征。能自生成数据的中间表示（虽然这个表示并不能被人所理解），是深度学习区别于其它机器学习算法的独门绝技。
所以，深度学习可总结为：通过加强网络，提取数据深层次特征。

2 深度神经网络

深度神经网络包括：输入层、隐藏层、输出层。

3 深度学习和机器学习的关系

人工智能学科体系图

人工智能、机器学习、深度学习三者的关系，可以认为深度学习是机器学习的“高级阶段”。

三、深度学习的特点

1 深度学习的特点

• 优点：
  （1）性能更优异。
  （2）不需要特征工程。
  传统机器学习需要人继续宁特征提取（特征工程），机器性能高度依赖于特征工程的质量。在特征很复杂的情况下，人就显得无能为力。而深度学习不需要这样的特征工程，只需要将数据直接传递给深度学习网络，由机器完成特征提取。
  （3）在大数据样本下有更好的性能。
  深度学习在大样本数据下由更好的性能和扩展性。
  

  （4）能解决某些传统机器学习无法解决的问题。
  如深层次特征提取。

• 缺点：
  （1）小数据样本下性能不如机器学习
  （2）深度学习网络结构复杂，构建成本高。
  （3）传统的机器学习比深度学习具有更好的解释性，深度学习过程不可解释。

2 深度学习与机器学习对比

深度学习具有更强的解决问题的能力，特别是在图像处理中，图像识别准确率明显超过机器学习，甚至超过了人类。

未完。。。。。。